智能交通系统是目前交通领域的热点课题,而基于图像的车型自动检索是智能交通系统中的重要研究方向,可应用在公安侦缉工作中,能够协助公安部门对交通肇事逃逸或者其他犯罪活动的调查。交通场景下汽车车型图像检索的研究具有较高的理论价值和实际意义。本文重点研究了车型图像检索中的特征点提取与特征匹配技术,主要研究内容包括:(1)研究了车脸图像的SIFT底层特征描述与提取,构建了基于SIFT描述子的关键点数据结构。SIFT方法具有对图像旋转、缩放、平移和仿射等变换的不变性,可在一定程度上降低由于道路中行驶汽车与高清摄像头之间距离与角度不同,所导致的不同目标图像间尺度与角度变化的影响。(2)提出了一种基于车脸图像特征点关注度的SIFTKeyPre特征匹配算法,可以根据基准图像特征点对图像匹配的贡献度不同,赋予基准图像特征点不同的关注度。分析了该算法应用在车脸图像样本集上的检索效果,讨论了优选过程中阈值的确定,训练强度的收敛值以及车牌上特征点关注度对检索效果的影响。与未区分不同特征点对匹配结果影响的常用匹配算法Flann、Lowe相比,在不增加时间复杂度的前提下,所提出的SIFTKeyPre匹配算法具有更好的检索效果。(3)研究了一种基于视觉词袋模型和支持向量机相结合的车脸图像特征匹配算法。首先通过视觉词袋模型对SIFT特征点编码,利用K-means聚类算法将每幅车脸图像表示为一维长度固定的向量,再使用支持向量机进行匹配。实验结果和理论分析表明,其检索效果好于Flann、Lowe算法且仅次于SIFTKeyPre算法,但其计算耗时是最少的。